从引擎声预测车辆故障！深度学习应用于通用声音识别

有一个困扰众多司机的问题：什么时候对爱车进行检修？

大多数车主会定期去 4S 店或修理店进行保养。但众所周知，常规保养不是“体检”，车辆已经存在的问题未必会发现。那么，难道只有当汽车在路上抛锚，我们才知道该送修了吗？

这不但效率低，而且危险。当开车有急事（比如赶高铁参加重要会议），或是在高速路上发生故障，那简直是惊魂一刻。

对此，以色列一家名为 3DSignals 的初创公司提出了解决方案：让 AI 监听早期的预警信号，比如发动机的声音变化，来判断车辆是否即将抛锚。这项技术依赖于深度学习（deep learning），来理解机械设备的噪音模式，并提前预测可能发生的问题。

雷锋网获知，3DSignals 已开始与欧洲汽车巨头们接触，讨论把这项深度学习技术应用于汽车以及汽车零部件制造设备的前景，以实时监控可能存在的问题。还有消息称他们看中了自动驾驶出租车运营市场，与一家自动驾驶公司进行了初步沟通。

3DSignals 联合创始人、算法负责人 Yair Lavi 表示：

“一个出租车乘客很可能只在乎到达目的地。即便乘坐车辆有了故障，只要没有抛锚，他也懒得报告。所以，对于出租车运营公司来说，3DSignals 的解决方案很有吸引力。”

深度学习已经被谷歌、Facebook 这样的互联网巨头广泛应用于图像、语音识别应用中。但用它来识别普通声音信号——比如机器的运转声音，倒是一件少有公司涉足的稀罕事。因此，3DSignals 希望能成为这个细分市场的领军者。

编者注：深度学习一直是雷锋网(公众号：雷锋网)关注的核心领域之一。想要了解“什么是深度学习？”的读者，请参考雷锋网“深度学习大讲堂”系列文章，大神Yann LeCun亲授：如何自学深度学习技术并少走弯路，以及 周志华KDD China技术峰会现场演讲：深度学习并不是在“模拟人脑”。

Yair Lavi 解释说：“全世界都在用深度学习进行图像识别，这是至今最新最火的应用。另外，AI 行业还有一部分在做深度学习的语音识别。我认为专注于通用声音识别的公司可能是极少数，我们是其中之一。这是我的目标：成为通用声音深度学习的带头人。”

制造工厂应用

3DSignals 为每一名客户安装超声波麦克风，它能监测到 100 千赫以内的音频。相比之下，人耳只能捕捉 20 赫兹至 20 千赫的声音。该公司的物联网服务把麦克风与计算设备连接起来，后者能处理一部分的数据，然后把信息上传到云端，由深度学习算法完成工作。客户可以随时通过联网设备，比如手机和平板电脑，来查看机械设备的状态。

3DSignals 系统流程示意：损坏的刀片，超声波传感器，数据收集装置，实时警报

他们的第一批客户来自重工业领域，监测设备包括制造厂的圆形切割刀片和水电站的涡轮机。

开始，这些公司购买的是  3DSignals 不基于深度学习的初级服务。它是对特定零件（比如圆形切割锯）进行基础物理学建模的软件，能预测这些零件什么时候会达到磨损上限。

第二级服务使用了深度学习算法，监测麦克风传来的声音中奇怪、不正常的频段。训练深度学习的样本是标志着机器发生普通故障的声音模式。

第三级服务同样采用了深度学习，只有它才能根据声音分辨出具体的故障种类。但在此之前，客户必须帮助 3DSignals 训练深度学习算法：为特定声音模式加上标签，标明这属于哪种故障。

Lavi 说道：“一段时间之后，我们不仅能指出故障 A 何时会发生，我们还能在它发生之前就（肯定地）说：你会在五小时内遭遇故障 A。有些问题不会立即出现，有一个恶化的过程。”

经过训练之后，3DSignals 的深度学习算法能以 98 % 的精确度预测特定故障。但目前，使用 3DSignals 系统的客户尚无法体验这个级别的性能。他们仍在创建训练数据库，人工为关联特定故障的声音信号加入标签。

3DSignals 表示，使用它的系统之后：

这家只有一岁的初创公司目前只有 15 名员工。但它发展速度相当快，已经拿到了以色列企业家 Dov Moran 的 330 万美元投资，后者是 USB 闪存的发明者之一。

Lavi 和他的联合创始人同伴们正在把目光朝向几个大市场，包括汽车和水电之外的能源市场。在 2017，他们计划了好几轮吸引风投的融资活动。如果一切顺利，3DSignals 会在增长中的“可预测设备维护”市场继续保持领先，向工厂、发电厂、车主提供服务。即将诞生的无人驾驶汽车市场同样是一片蓝海：它们会使人类司机变为乘客，脱离了驾驶体验；这使得能通过声音判断设备状态的深度学习 AI 肩负更大的责任。对于一家初创公司来说，有机会能在通用声音识别领域成为领军者非常有前途。

Lavi 说：“对我们来说，成为通用声音识别的深度学习专家至关重要，因为当前的学术论文尚未涵盖该领域。”

对初创科技企业来说，合理的定位是生存下去的必要条件。

via ieee

【兼职召集令！】

如果你对未来充满憧憬，喜欢探索改变世界的科技进展，look no further！

我们需要这样的你：

精通英语，对技术与产品感兴趣，关注人工智能学术动态的萝莉 萌妹子 技术宅；

文字不求妙笔生花，但希望通俗易懂；

在这里，你会收获：

一群来自天南地北、志同道合的小伙伴；

前沿学术科技动态，每天为自己充充电；

更高的生活品质，翻翻文章就能挣到零花钱；

有意向的小伙伴们把个人介绍/简历发至 guoyixin@leiphone.com，如有作品，欢迎一并附上。

相关文章：

大神Yann LeCun亲授：如何自学深度学习技术并少走弯路

AI 初学者入门指南：深度学习的五级分类

周志华KDD China技术峰会现场演讲：深度学习并不是在“模拟人脑”

解析：深度学习框架Caffe源码 

本文作者：三川

本文转自雷锋网禁止二次转载，原文链接

机器学习平台PAI简测：PAI提供包含数据标注、模型构建、模型训练、模型部署、推理优化在内的AI开发全链路服务 机器学习平台PAI（Platform of Artificial Intelligence）是面向开发者和企业的机器学习/深度学习工程平台，提供包含数据标注、模型构建、模型训练、模型部署、推理优化在内的AI开发全链路服务，内置140+种优化算法，具备丰富的行业场景插件，为用户提供低门槛、高性能的云原生AI工程化能力。
2022最新综述！一文详解自动驾驶中的多模态融合感知算法（数据级/特征级/目标级） 多模态传感器融合意味着信息互补、稳定和安全，长期以来都是自动驾驶感知的重要一环。然而信息利用的不充分、原始数据的噪声及各个传感器间的错位（如时间戳不同步），这些因素都导致融合性能一直受限。本文全面调研了现有多模态自动驾驶感知算法，传感器包括LiDAR和相机，聚焦于目标检测和语义分割，分析超过50篇文献。同传统融合算法分类方法不同，本文从融合阶段的不同将该领域分类两大类、四小类。此外，本文分析了当前领域存在的问题，对未来的研究方向提供参考。
如何自动搜出更好、更小、更快的NLP模型？（一） 最近读了不少神经架构搜索（NAS）的论文，把NAS的整体脉络大致摸清了。 但是也发现了NAS目前还是用在CV领域居多，NLP领域和移动端优化寥寥无几。因此这里分享几篇NLP或者移动端上的NAS论文。
如何自动搜出更好、更小、更快的NLP模型？（二） 最近读了不少神经架构搜索（NAS）的论文，把NAS的整体脉络大致摸清了。 但是也发现了NAS目前还是用在CV领域居多，NLP领域和移动端优化寥寥无几。因此这里分享几篇NLP或者移动端上的NAS论文。
上海交大开源MALib多智能体并行训练框架，支持大规模基于种群的多智能体强化学习训练 基于种群的多智能体深度强化学习（PB-MARL）方法在星际争霸、王者荣耀等游戏AI上已经得到成功验证，MALib 则是首个专门面向 PB-MARL 的开源大规模并行训练框架。MALib 支持丰富的种群训练方式（例如，self-play, PSRO, league training)，并且实现和优化了常见多智能体深度强化学习算法，为研究人员降低并行化工作量的同时，大幅提升了训练效率。此外，MALib 基于 Ray 的底层分布式框架，实现了全新的中心化任务分发模型，相较于常见的多智能体强化学习训练框架（RLlib，PyMARL，OpenSpiel），相同硬件条件下吞吐量和训练速度有着数倍的提升。现
OpML 2019提前看：模型表现预测与分布式机器学习 OpML 2019 全称是 2019 USENIX Conference on Operational Machine Learning，将于 2019 年 5 月 20 号在美国加州的 Santa Clara 举办。会议旨在提供科研人员和产业从业者一个交流合作的平台，为机器学习生产生命周期管理的普遍挑战开发并带来有影响力的研究进展和前沿解决方案。
实时深度学习的推理加速和持续训练 深度学习变革了许多计算机视觉和自然语言处理（NLP）领域内的任务，它为越来越多的消费者和工业产品提供更强大的智能，并潜在地影响了人们在日常经验和工业实践上的标准流程。